隨著國民經(jīng)濟(jì)和交通運(yùn)輸業(yè)的發(fā)展,機(jī)動車的保有量迅速增加,道路交通運(yùn)輸給人們的生活和出行帶來了極大的便利,但是由此引發(fā)的道路交通事故每年給人民的生命和財產(chǎn)帶來了巨大的損失。道路交通事故調(diào)查顯示,大型客車由于其載客量多,動能大的特點(diǎn),成為造成群死群傷重大交通事故的主要原因。汽車安全輔助駕駛技術(shù)能有效地對車輛運(yùn)行環(huán)境進(jìn)行檢測,當(dāng)發(fā)現(xiàn)潛在危險時能夠及時提醒駕駛員采取有效的應(yīng)對措施,消除安全隱患。目前該技術(shù)已經(jīng)不同程度地應(yīng)用于各類中小型車輛,但是鮮見于大型客車中的應(yīng)用。本文以國家基金為依托,針對于大型客車運(yùn)行環(huán)境設(shè)計(jì)了一套環(huán)境感知系統(tǒng),并利用毫米波雷達(dá)與機(jī)器視覺融合算法對前方障礙物進(jìn)行檢測。主要研究內(nèi)容如下:針對于大型客車的環(huán)境感知系統(tǒng),本文設(shè)計(jì)了一套毫米波雷達(dá)與機(jī)器視覺相結(jié)合的前方障礙物檢測系統(tǒng)。首先分析各類型傳感器的工作性能和成本效益,確定了傳感器類型,然后結(jié)合大型客車環(huán)境感知需求,對毫米波雷達(dá)和攝像機(jī)進(jìn)行型號選擇和參數(shù)配置。該系統(tǒng)既保障了大客車的環(huán)境感知滿足不同道路狀況和天氣環(huán)境的要求,同時又兼顧硬件的設(shè)計(jì)成本。針對毫米波雷達(dá)目標(biāo)檢測區(qū)分能力弱的問題,本文提出了一種基于深度置信網(wǎng)絡(luò)的車輛有...

【文章頁數(shù)】：103 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外車輛檢測研究現(xiàn)狀
        1.2.1 基于機(jī)器視覺的車輛檢測
        1.2.2 基于毫米波雷達(dá)的車輛檢測
        1.2.3 基于激光雷達(dá)的車輛檢測
        1.2.4 基于多傳感器融合的車輛檢測
    1.3 國內(nèi)外行人檢測研究現(xiàn)狀
        1.3.1 基于CCD/CMOS相機(jī)的行人檢測
        1.3.2 基于紅外相機(jī)的行人檢測
        1.3.3 基于激光雷達(dá)與相機(jī)融合的行人檢測
    1.4 論文的主要工作與章節(jié)安排
第二章 大型客車環(huán)境感知系統(tǒng)設(shè)計(jì)
    2.1 各傳感器性能對比與分析
        2.1.1 激光雷達(dá)
        2.1.2 CCD/CMOS攝像相機(jī)
        2.1.3 毫米波雷達(dá)
        2.1.4 紅外傳感器
        2.1.5 超聲波傳感器
    2.2 傳感器選型與參數(shù)配置
        2.2.1 攝像機(jī)選型與參數(shù)配置
        2.2.2 毫米波雷達(dá)選型與參數(shù)配置
        2.2.3 其他附屬設(shè)備選型與參數(shù)配置
        2.2.4 傳感器布置與安裝
    2.3 本章小結(jié)
第三章 基于深度置信網(wǎng)絡(luò)的雷達(dá)車輛目標(biāo)提取
    3.1 毫米波雷達(dá)數(shù)據(jù)解析與采集
        3.1.1 毫米波雷達(dá)數(shù)據(jù)解析
        3.1.2 毫米波雷達(dá)數(shù)據(jù)采集
    3.2 基于深度置信網(wǎng)絡(luò)的車輛目標(biāo)提取
        3.2.1 深度置信網(wǎng)絡(luò)模型原理分析
        3.2.2 深度置信網(wǎng)絡(luò)訓(xùn)練與參數(shù)求解
    3.3 訓(xùn)練結(jié)果分析與實(shí)驗(yàn)驗(yàn)證
    3.4 本章小結(jié)
第四章 卷積神經(jīng)網(wǎng)絡(luò)的基本原理分析與對比
    4.1 卷積神經(jīng)網(wǎng)絡(luò)原理分析
        4.1.1 局部連接與權(quán)值共享
        4.1.2 卷積層
        4.1.3 激活層
        4.1.4 下采樣層
        4.1.5 網(wǎng)絡(luò)輸出層
    4.2 快速卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測對比分析
        4.2.1 R-CNN網(wǎng)路模型
        4.2.2 FastR-CNN網(wǎng)路模型
        4.2.3 FasterR-CNN網(wǎng)路模型
    4.3 本章小結(jié)
第五章 基于FASTERR-CNN的前方障礙物檢測與測距
    5.1 模型選擇與分析
    5.2 多交通環(huán)境訓(xùn)練下的FASTERR-CNN車輛檢測
        5.2.1 訓(xùn)練樣本采集與預(yù)處理
        5.2.2 車輛檢測網(wǎng)絡(luò)的構(gòu)建與參數(shù)設(shè)置
        5.2.3 車輛檢測網(wǎng)絡(luò)訓(xùn)練與測試
        5.2.4 實(shí)驗(yàn)驗(yàn)證與分析
    5.3 多交通環(huán)境訓(xùn)練下的FASTERR-CNN行人檢測
        5.3.1 行人檢測訓(xùn)練樣本采集
        5.3.2 行人檢測網(wǎng)絡(luò)構(gòu)建與參數(shù)設(shè)置
        5.3.3 行人檢測網(wǎng)絡(luò)訓(xùn)練與測試
        5.3.4 實(shí)驗(yàn)驗(yàn)證與分析
    5.4 改進(jìn)的單目視覺前方障礙物測距
        5.4.1 傳統(tǒng)單目視覺測距方法
        5.4.2 基于像素標(biāo)定與擬合的單目測距
        5.4.3 實(shí)驗(yàn)驗(yàn)證與誤差分析
    5.5 本章小結(jié)
第六章 雷達(dá)與相機(jī)融合的障礙物檢測系統(tǒng)設(shè)計(jì)
    6.1 毫米波雷達(dá)與視覺信息融合
        6.1.1 相機(jī)標(biāo)定試驗(yàn)與參數(shù)求解
        6.1.2 雷達(dá)與視覺信息空間上的同步
        6.1.3 雷達(dá)與視覺信息時間上的同步
    6.2 障礙物檢測目標(biāo)匹配與有效目標(biāo)生成
        6.2.1 基于多檢測特征的雷達(dá)與視覺目標(biāo)匹配
        6.2.2 障礙物檢測有效目標(biāo)生成
    6.3 障礙物檢測目標(biāo)跟蹤與管理
        6.3.1 基于卡爾曼濾波的單目標(biāo)跟蹤
        6.3.2 多目標(biāo)跟蹤與管理
    6.4 融合系統(tǒng)搭建與實(shí)驗(yàn)驗(yàn)證
    6.5 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 不足與展望
參考文獻(xiàn)
在讀期間研究成果
致謝



本文編號：3842098